基于Android平台的立木胸径测量系统

2021-10-08吴晓柯徐爱俊陶忠良

福建农林大学学报（自然科学版） 2021年5期

吴铮, 吴晓柯, 徐爱俊, 陶忠良

(1.浙江农林大学信息工程学院，浙江杭州 311300；2.浙江省农业农村大数据发展中心，浙江杭州 310020)

在森林资源调查中，立木胸径是掌握森林生长趋势、评价立地条件的重要参数[1-2].立木胸径的调查研究对林业科学经营、林业可持续发展有重要意义[3].立木胸径测量工具多样，传统测量工具有卡尺、直径卷尺等.这些工具效率低，并且耗费人力物力.基于各类传感器设计的立木胸径测量工具[4-6]虽然具有数据自动存储、处理、上传的优点，但是仍需接触测量，且测量精度受操作方式的影响.

摄影测量技术在各领域的应用不断深入[7].当前基于摄影测量技术的测量设备可以分为双目、RGB-D相机、单目三类.文献[8-10]利用双目相机结合数字图像处理分析立木胸径、高度与冠幅.蔡健荣等[11]基于双目视觉对果树三维重建，通过各个模块相组合形成果树模型，从而获取三维信息.文献[12-13]利用双目摄影系统结合图像分割技术实现了果蔬的识别与定位.以上双目摄影测量方法测量精度高，但运算量大，需内业处理数据，无法实时测量.基于RGB-D相机的摄影测量方法与双目测量相比无需深度解算，因而运算速度快.文献[14-15]使用RGB-D相机与图像处理实现了几种植物株高、茎粗的测量.徐胜勇等[16]使用RGB-D相机构建油菜三维点云，利用欧氏聚类实现单个油菜角果定位.Digumarti et al[17]利用随机森林算法实现了阔叶树的结构分割.范永祥等[18]基于RGBD-SLAM手持式设备，开发了森林样地调查系统.以上基于RGB-D相机的测量方法虽然运算量小，但受光照影响大，成本高，不易携带.

基于单目相机的测量方法具有构造简单、成本低的特点，因此应用广泛[19].文献[20-22]基于单目视觉通过数字图像处理实现了果实的分割、定位与计数.Chen et al[23]基于单目视觉与支持向量机算法实现在不同光照下柑橘树的分割，这两类方法的定位和分割精度较高，但图像处理过程运算量大，移动端难以实现.徐伟恒等[24]使用单目相机、激光尺、倾角传感器等硬件结合图像处理技术设计了近景摄影测树仪，可实现立木胸径的自动化计算.周克瑜等[25]根据三角原理借助参照物比算，实现了立木树高的测量.李亚东等[26]以智能手机为平台开发了单株立木测高程序，相比于布鲁莱斯测高器，其精度显著提高.管昉立等[27]通过视觉显著性图分割立木图像，利用最小外接矩形计算立木胸径.高莉平等[28]采用阈值突变三点法获取立木图像感兴趣区域，利用三角原理获取立木高度.邱梓轩等[29]利用智能手机结合望远设备设计了望远测树仪，实现了立木因子的测量.以上研究虽然能实现非接触测量，但在测量立木时需要参照物或外部设备辅助测量，存在局限性.

本文基于色彩空间转换优化了滤波算法，缩短了图像处理时间；基于摄影测量原理构建立木胸径测量模型，设计了立木胸径测量系统，旨在有效提高林业资源调查的效率.

1 材料与方法

1.1 系统架构

系统主要包括基础资源、图像识别、测量模型、应用交互4个模块，具体架构如图1所示.基础资源为其他模块提供基本工具、算法以及数据库存储；图像识别模块对立木图像进行处理，将前景提取结果输入测量模型，进而计算立木胸径；应用交互模块控制用户数据输入并对测量结果进行反馈及存储，在保证应用交互的便捷性与数据处理的完整性的同时，实现立木胸径测量.该系统架构保持各模块高内聚、低耦合，从而提高了系统灵活性与可扩展性.

图1 立木胸径测量系统架构Fig.1 Basic structure of DBH measurement system

1.2 立木图像前景提取

立木图像前景提取包括图像畸变矫正、图像滤波降噪与图像分割.由于立木图像背景复杂，并需保留边缘信息，采用MeanShift算法[30]进行滤波；滤波后采用GrabCut算法[31-32]进行分割，进而得到立木前景，为构建测量模型提供数据.由于MeanShift滤波算法存在耗时长等问题，本文通过融合YCbCr色彩空间[33]对MeanShift算法进行了改进，改进的算法流程表示如下.

(1)将立木图像的色彩空间转换到YCbCr色彩空间，转换公式表示如下：

(1)

(2)分离立木图像Y通道.

(3)以Y通道为滤波通道初始化卷积核窗口，计算并更新窗口内小于指定阈值像素点的颜色与位置均值，以位置均值为中心继续计算更新，直到收敛.

(4)合并Y通道与Cb、Cr通道为YCbCr色彩空间.

(5)将立木图像转换到RGB色彩空间，转换公式表示如下：

(2)

1.3 立木胸径测量模型构建

1.3.1 深度提取模型本文利用方向传感器、三角原理构建的深度提取模型如图2所示.测量深度时调整相机观测位置，确保与待测立木之间无异物遮挡，将相机对准树木根茎处，通过方向传感器可获得相机俯角，计算深度表示为：

(3)

[α2=90°、α1∈(0,90°)]

式中，Z为深度值(m)；H为相机高度(m)；α1为相机对准树底时的俯角(°)；α2为直角.

图2 深度提取模型Fig.2 Depth extraction model

用该模型测量深度时无需参照物，只需调整相机位置就能得到深度值，从而实现了深度的快速解算.

1为像素平面；2为物理成像平面；3为相机；4为目标立木；P、Q、R为立木特征点；P′、Q′、R′为P、Q、R在像素平面上的投影； f为相机焦距.图3 立木胸径测量模型Fig.3 Measurement model of DBH of standing tree

1.3.2 立木胸径测量模型根据深度提取模型得到的深度值，结合小孔成像原理、三角原理构建立木胸径测量模型(图3).

令R的坐标为[X,Y,Z]T，R在相机物理成像平面上成的像为R′，其坐标为[X′,Y′,Z]T.根据三角形的相似原理可知：

(4)

R′在像素平面上的坐标为[u,v]T.R′在物理成像平面与像素平面之间可以通过平移与缩放进行转换，其映射关系为：

(5)

式中，α、β为缩放系数，cx、cy为立木图像中心点横纵坐标.

将式(4)代入式(5)，将αf合并为fx，将βf合并为fy，得点R′的像素坐标[u,v]T与相机坐标系坐标点[X,Y]T的映射关系为：

(6)

式中，fx、fy、cx、cy为相机标定得到的相机内参，fx、fy为焦距，cx、cy为图像中心横纵坐标；X、Y为u、v映射到相机坐标系的横纵坐标；Z为深度.

通过查询立木图像中的各个像素，确定R′的纵坐标为v1，通过式(6)将v1映射到相机坐标系，可得R的纵坐标Y1为：

(7)

用Y1减去1.3 m，得到P、Q在相机坐标系的纵坐标Y2：

Y2=Y1-1.3

(8)

利用式(6)将计算得到的Y2重新映射到像素坐标系，即可得到P′、Q′的纵坐标(v2).

(9)

通过P′、Q′计算立木胸径的像素宽度为|ulert-uright|.基于三角相似性原理可得立木胸径(DBH)的计算公式：

(10)

式中,Z为深度，f为焦距.

2 结果与分析

2.1 立木图像的前景提取

本文利用图像处理耗时，对改进的MeanShift算法进行性能评价.随机抽取30张立木图像，分为3组进行试验.相比于MeanShift原算法，本文改进的MeanShift算法只需在YCbCr色彩空间上对单通道滤波，处理耗时较原算法降低了一个数量级.原算法与改进算法的每组平均滤波时间如表1所示.从表1可以看出，本文算法平均滤波时间为449.999 ms，低于原算法(4 859.156 ms)，前景提取耗时减少不低于80%.因此本文改进的算法更适用于移动端立木图像处理.

表1 立木图像滤波时间Table 1 Filtering time of standing tree images

改进后的MeanShift算法利用了YCbCr色彩空间亮度信号与色度信号的分离特性，在保留图像边缘信息、降低背景噪声的同时大幅降低图像处理耗时，并减少了光照分布不均匀对图像分割的影响，克服了GrabCut算法存在的问题，结果如图4所示.

a.滤波处理结果；b.前景提取结果.图4 立木图像分割Fig.4 Tree image segmentation

2.2 立木胸径测量模型的精度

在校园内随机选取10株立木进行测量，并与文献[29]中的测量数据进行对比，结果如表2所示.从表2可以看出本文测量结果的相对误差为0.61%～5.14%，平均相对误差为2.35%.文献[29]相对误差为0.61%～14.78%，平均相对误差为4.54%，表明本系统具有更好的稳定性.

表2 立木胸径测量结果Table 2 Measurement results of DBH of standing trees

2.3 系统实现

系统开发硬件配置：AMD Ryzen 5 3500U CPU，2.10 GHz，Radeon Vega Mobile Gfx，20GBRAM.软件环境：Android Studio 3.2+JDK8(Java development kit)+OpenCV 3.6+NDK(Native development kit).Android适配版本为6.0及以上，系统实现如图5所示.